นักวิจัยจากมหาวิทยาลัย Stanford และ Arc Institute ประสบความสำเร็จครั้งประวัติศาสตร์ในการใช้โมเดล generative AI เพื่อออกแบบจีโนมของไวรัสที่สมบูรณ์ตั้งแต่เริ่มต้น ความสำเร็จครั้งนี้ถือเป็นการเปลี่ยนผ่านจากการค้นพบทางชีวภาพแบบดั้งเดิมไปสู่ยุคของการออกแบบเชิงคำนวณ (computational design) ที่ซึ่ง AI เป็นผู้กำหนดโครงสร้างของสิ่งมีชีวิต

Evo: โมเดลภาษาขนาดใหญ่สำหรับจีโนมิกส์

หัวใจสำคัญของงานวิจัยนี้คือ Evo ซึ่งเป็นโมเดลเชิงสร้างสรรค์เฉพาะทางที่ทำงานคล้ายกับ Large Language Model (LLM) แต่ทำงานบน "ภาษา" ของ DNA ต่างจากโมเดลที่ใช้ข้อความ Evo ถูกฝึกฝนด้วยชุดข้อมูลมหาศาลซึ่งประกอบด้วยนิวคลีโอไทด์ประมาณเก้าล้านล้านตัวจากสิ่งมีชีวิตหลายล้านชนิด รวมถึงสัตว์ พืช จุลชีพ และไวรัส

เพื่อเพิ่มความแม่นยำ นักวิจัยได้ใช้กระบวนการฝึกฝนแบบสองขั้นตอน หลังจากเรียนรู้รูปแบบพื้นฐานของแผนภูมิแห่งชีวิต (tree of life) แล้ว Evo ได้ผ่านการฝึกฝนรอบที่สองซึ่งเป็นแบบเฉพาะทางโดยใช้ยีน 11 ยีนของ phiX174 bacteriophage และสิ่งมีชีวิตที่ใกล้เคียงกันอีกประมาณ 15,000 ชนิด สิ่งนี้ช่วยให้โมเดลสามารถเชี่ยวชาญในรายละเอียดเฉพาะที่จำเป็นต่อการออกแบบสิ่งมีชีวิตที่สามารถทำงานและจำลองตัวเองได้

จาก 700,000 ข้อเสนอ สู่ไวรัสที่ใช้งานได้จริง

ขอบเขตความสามารถในการสร้างสรรค์ของ Evo นั้นมหาศาล โดยโมเดลได้เสนอจีโนมไวรัสที่มีศักยภาพถึง 700,000 รูปแบบ จากนั้นทีมวิจัยได้คัดกรองผ่านกระบวนการคัดเลือกที่เข้มงวด โดยการสังเคราะห์ลำดับทางเคมีจำนวน 285 ลำดับให้เป็นสาย DNA และใส่เข้าไปในแบคทีเรีย E. coli

ผลลัพธ์ที่ได้ประสบความสำเร็จอย่างสูง โดย 16 ลำดับที่สังเคราะห์ขึ้นสามารถสร้างไวรัสที่สามารถจำลองตัวเองได้ ที่น่าสังเกตคือ ไวรัสที่สร้างโดย AI เหล่านี้ไม่ได้เป็นเพียงเวอร์ชันที่ "อ่อนแอ" หรือด้อยประสิทธิภาพกว่าสายพันธุ์ที่มีอยู่เดิม แต่มีความแข็งแกร่งเทียบเท่ากับไวรัสตามธรรมชาติ และบางตัวสามารถจำลองตัวเองได้เร็วกว่า phiX174 ดั้งเดิมเสียด้วยซ้ำ ผู้เชี่ยวชาญตั้งข้อสังเกตว่า AI ยังได้นำเสนอการเปลี่ยนแปลงที่คาดไม่ถึงในลำดับและการจัดเรียงยีน ซึ่งนักวิทยาศาสตร์ที่เป็นมนุษย์ไม่เคยพิจารณามาก่อน

ดาบสองคม: ความก้าวหน้าทางการแพทย์ vs ช่องว่างด้านความปลอดภัยทางชีวภาพ

ผลกระทบต่อเทคโนโลยีชีวภาพนั้นลึกซึ้ง ไวรัสที่ออกแบบโดย AI อาจปฏิวัติ phage therapy (การใช้ไวรัสเพื่อฆ่าแบคทีเรียที่ดื้อยาหลายชนิด) และยกระดับ gene therapy (การบำบัดด้วยยีน) โดยการสร้างพาหะที่มีประสิทธิภาพมากขึ้นในการส่งถ่ายสารพันธุกรรม

อย่างไรก็ตาม การพัฒนานี้ได้ชี้ให้เห็นถึง "ความไม่เชื่อมโยง" ที่สำคัญในกฎระเบียบด้านความปลอดภัยทางชีวภาพระดับโลก นโยบายปัจจุบันของสถาบันสุขภาพแห่งชาติสหรัฐฯ (NIH) มุ่งเน้นไปที่การสั่งห้ามการทดลองที่ทำให้เชื้อก่อโรคที่รู้จักอยู่แล้วมีความอันตรายมากขึ้น แต่ไม่ได้ครอบคลุมถึงงานด้านการคำนวณโดยเฉพาะ ซึ่งก็คือการออกแบบ DNA ของไวรัสบนคอมพิวเตอร์ สิ่งนี้ทำให้เกิดช่องว่างทางกฎหมายสำหรับความเสี่ยงที่ "ไม่รู้จัก": หาก AI ออกแบบเชื้อก่อโรคชนิดใหม่ที่มีความสามารถในการแพร่เชื้อสูงซึ่งไม่เคยมีอยู่จริงในธรรมชาติ มาตรการป้องกันที่มีอยู่เดิมอาจล้มเหลวในการระบุภัยคุกคามดังกล่าว

เพื่อบรรเทาปัญหานี้ ทีมงานจาก Stanford ได้ดำเนินมาตรการความปลอดภัยเชิงรุกโดยตรวจสอบให้แน่ใจว่า Evo ไม่เคยถูกฝึกฝนด้วยเชื้อก่อโรคในมนุษย์ หรือไวรัสในสัตว์และพืชที่เกี่ยวข้อง เพื่อป้องกันไม่ให้โมเดลสามารถสร้างจีโนมที่ติดเชื้อในมนุษย์ได้

ทำไมผลลัพธ์นี้จึงสำคัญต่อการแพทย์

การบำบัดด้วยเฟจ (Phage therapy) ซึ่งใช้ไวรัสเพื่อมุ่งเป้าไปที่แบคทีเรียที่ดื้อยาปฏิชีวนะ มักถูกจำกัดด้วยเครื่องมือที่มีอยู่อย่างจำกัดของเฟจตามธรรมชาติ AI ที่สามารถสร้างแคปซิด (capsid) ของไวรัสที่มีประสิทธิภาพใหม่ๆ ขึ้นมาได้ จะสามารถขยายขอบเขตเครื่องมือนี้ได้อย่างมหาศาล ในทำนองเดียวกัน พาหะในการบำบัดด้วยยีน (gene-therapy vectors) ซึ่งมักเป็นไวรัสที่ถูกดัดแปลงเพื่อนำส่ง DNA ที่ใช้ในการรักษาเข้าสู่เซลล์ อาจมีความแม่นยำมากขึ้นและกระตุ้นภูมิคุ้มกันน้อยลง หากถูกออกแบบขึ้นใหม่ตั้งแต่ต้น แทนที่จะเป็นการดัดแปลงจากสายพันธุ์ที่มีอยู่เดิม

การเปิดเผยจุดบอดด้านกฎระเบียบ

หน่วยงานให้ทุนของสหรัฐฯ ในปัจจุบันจำกัดการทดลองที่ทำให้เชื้อก่อโรคที่รู้จักอยู่แล้วมีความอันตรายมากขึ้น แต่ไม่ได้ระบุถึงการสร้างเชื้อก่อโรคชนิดใหม่ผ่านการออกแบบเชิงคำนวณโดยเฉพาะ งานของ Evo สามารถเลี่ยงข้อกำหนดนั้นได้เนื่องจากโมเดลไม่เคยเห็นไวรัสที่ติดเชื้อในมนุษย์ในระหว่างการฝึกฝน โดยนักวิจัยได้จงใจคัดลำดับใดๆ ที่อาจก่อให้เกิดเชื้อก่อโรคในมนุษย์ออกไป อย่างไรก็ตาม ยังคงมีความเป็นไปได้ที่ AI อาจสร้างไวรัสที่ไม่มีต้นแบบตามธรรมชาติขึ้นมาได้หากไม่มีมาตรการป้องกันดังกล่าว ซึ่งจะเป็น "สิ่งที่ไม่รู้จักที่ถูกสังเคราะห์ขึ้น" (synthetic unknown) ที่คณะกรรมการตรวจสอบที่มีอยู่เดิมอาจไม่สามารถตรวจพบได้

ช่องว่างนี้ไม่ใช่เพียงแค่เรื่องทางวิชาการ หากโมเดลได้รับอนุญาตให้ฝึกฝนด้วยชุดข้อมูลไวรัสที่กว้างขึ้น มันอาจเรียนรู้ถึงองค์ประกอบพื้นฐานของการแพร่เชื้อสูงหรือการหลบเลี่ยงภูมิคุ้มกัน แล้วจึงสร้างจีโนมที่เมื่อถูกสังเคราะห์ขึ้นมาแล้ว อาจก่อให้เกิดภัยคุกคามในระดับการแพร่ระบาดใหญ่ได้ กลไกการกำกับดูแลในปัจจุบันมุ่งเน้นไปที่การดัดแปลงในห้องปฏิบัติการ (wet-lab) แต่ยังขาดอำนาจหน้าที่ที่ชัดเจนในการประเมินความเสี่ยงของการออกแบบผ่านคอมพิวเตอร์ (in silico) ซึ่งสามารถทำได้จากระยะไกลและในวงกว้าง

ไวรัสที่ถูกผลิตขึ้นคือแบคทีริโอเฟจ (bacteriophages) ซึ่งเป็นไวรัสที่ติดเชื้อแบคทีเรีย ไม่ใช่ในมนุษย์ ประโยชน์ของพวกมันส่วนใหญ่จำกัดอยู่เพียงการควบคุมแบคทีเรียและการวิจัยในห้องปฏิบัติการ จึงช่วยลดความกังวลด้านสาธารณสุขที่เร่งด่วนลงได้

บทสรุป

Evo แสดงให้เห็นว่า AI สามารถก้าวข้ามจากการทำนายโครงสร้างโปรตีนไปสู่การร่างจีโนมไวรัสที่สมบูรณ์และทำงานได้จริง เทคโนโลยีนี้ให้คำมั่นถึงเครื่องมือที่รวดเร็วและอเนกประสงค์ยิ่งขึ้นในการต่อสู้กับแบคทีเรียดื้อยาและการบำบัดด้วยยีน แต่ในขณะเดียวกัน มันก็บีบให้ผู้กำกับดูแลต้องเผชิญกับความเสี่ยงประเภทใหม่ นั่นคือพิมพ์เขียวดิจิทัลของสิ่งมีชีวิตที่ไม่เคยมีอยู่จริงในธรรมชาติ